En djupförstärkningsinlärningsmetod för dynamisk justering av transaktionsavgifter i Ethereum

Varför detta spelar roll för vardagliga kryptoanvändare

Alla som försökt skicka en betalning eller skapa en icke-fungibel token på Ethereum har sannolikt stött på förvirrande avgifter som hoppar upp och ned och långa väntetider när nätverket är belastat. Den här artikeln utforskar ett nytt sätt att sätta dessa avgifter med hjälp av en artificiell intelligensmetod så att nätverket håller sig jämnt och förutsägbart även när efterfrågan plötsligt skjuter i höjden.

Hur Ethereums avgifter fungerar idag

Ethereum tar betalt för varje operation med en enhet som kallas gas, och användare betalar ett gaspris för att få sina transaktioner inkluderade i ett block. Sedan 2021 försöker en inbyggd regel kallad EIP-1559 göra processen rättvisare och mer förutsägbar genom att justera en basavgift som alla måste betala, samtidigt som en extra dricks kan ges för snabbare behandling. När blocken är till största delen fyllda höjs basavgiften, och när det finns ledig plats sänks den. Denna regelbaserade metod var en förbättring jämfört med tidigare avgiftsauktioner, men den har fortfarande problem vid skarpa efterfrågetoppar, som vid populära NFT-släpp, och när många användare värderar sina transaktioner på liknande nivåer.

Var de nuvarande reglerna brister

Författarna visar att EIP-1559 kan bete sig illa under verkliga och simulerade perioder med hög efterfrågan. Under ett välkänt NFT-mint 2022, till exempel, svävade gasanvändningen nära blockgränsen medan basavgiften svängde vilt, vilket ledde till instabila kostnader och trängsel. Tidigare forskning visade också att när användare tilldelar mycket liknande värden till sina transaktioner kan små förändringar i basavgiften få block att växla från nästan tomma till helt fulla och tillbaka igen. Den typen av boom-och-bust-mönster slösar blockutrymme och gör det svårt för användare att gissa vad de bör betala.

Låta en AI-agent lära sig rätt avgift

I stället för att hårdkoda hur basavgiften ska reagera på efterfrågan behandlar författarna avgiftssättningen som ett inlärningsproblem. De bygger en simulerad Ethereum-liknande miljö där en agent observerar den aktuella basavgiften, hur mycket gas som användes i det senaste blocket, och flera detaljer om den delade transaktionspoolen, såsom hur många nya och väntande transaktioner som finns och vilka avgifter användare erbjuder. Baserat på detta tillstånd väljer agenten en liten justering av basavgiften. Efter varje block får den en belöning som är högre när gasanvändningen ligger nära en målnivå och lägre när blocken är för tomma eller för fulla. Med hjälp av djup förstärkningsinlärning upptäcker agenten gradvis ett mönster av justeringar som håller användningen nära målnivån samtidigt som extrema svängningar undviks.

Testa den nya avgiftsmekanismen under många förhållanden

Forskarlaget kör omfattande simuleringar som efterliknar olika marknadslägen. I vissa scenarier stiger eller faller efterfrågan på transaktioner försiktigt; i andra når den en skarp topp eller sjunker plötsligt. De varierar också användarbeteendet, och skiljer mellan dem som helt enkelt betalar en fast dricks och dem som höjer dricksen när blocken är trånga. I dessa uppställningar jämförs den inlärda policyn med den standardmässiga EIP-1559-regeln. Nyckelmåtten är hur nära genomsnittlig gasanvändning håller sig målet, hur mycket gasanvändningen varierar från block till block, och hur volatil basavgiften är över tid.

Vad resultaten visar om stabilitet och flexibilitet

Den djupinlärningsbaserade mekanismen håller konsekvent gasanvändningen nära önskad nivå samtidigt som dess variabilitet minskas jämfört med EIP-1559. Förbättringen är särskilt påtaglig när användarnas värderingar ligger i ett smalt intervall, precis det läge där den nuvarande regeln kan hamna i kaotiska mönster. I dessa fall minskar den nya metoden svängningarna i gasanvändning med ungefär en faktor tio och gör basavgiften betydligt stabilare. Agenten reagerar också mer gracilt på plötsliga toppar: den höjer basavgiften tillräckligt snabbt för att dra ner användningen mot målet utan att överskjuta lika mycket som den gamla regeln. Genom att justera hur snabbt avgiften tillåts röra sig och genom att lägga till eller ta bort information från transaktionspoolen visar författarna att nätverksoperatörer kan ställa in avvägningen mellan responsivitet och jämnhet.

Vad detta betyder för framtida blockkedjeavgifter

Ur en lekmans perspektiv tyder studien på att smarta algoritmer kan få Ethereums avgifter att kännas mindre som ett gissningsspel. Ett avgiftssystem som lär sig av realtidsaktivitet, i stället för att följa en fast formel, kan hålla blocken väl använda, begränsa vilda avgiftssvängningar och hantera intensiva perioder med mindre störningar. Även om arbetet bygger på simuleringar och skulle kräva noggranna tester innan införande, pekar det mot avgiftsmekanismer som anpassar sig till förändrade förhållanden och som kan förbättra både användarupplevelsen och nätverkseffektiviteten.

Citering: Jang, H., Shim, J. A deep reinforcement learning approach for dynamic transaction fee adjustment in Ethereum. Sci Rep 16, 15600 (2026). https://doi.org/10.1038/s41598-026-46368-2

Nyckelord: Ethereum-avgifter, förstärkningsinlärning, blockkedjeekonomi, gaspris, transaktionskö